BraiNCA：类脑神经细胞自动机及其在形态发生和运动控制中的应用

文献中定义的大多数神经细胞自动机（NCA）有一个共同主题：它们基于具有摩尔邻域（单跳邻居）的规则网格。它们不考虑长程连接和更复杂的拓扑，正如我们在脑中发现的那样。在本文中，我们引入了BraiNCA，一种具有注意力层、长程连接和复杂拓扑的类脑NCA。BraiNCA在两个任务上相对于Vanilla NCAs在鲁棒性和学习速度方面表现更好，证明了结合基于注意力的消息选择与显式长程边可以产生比纯粹局部、基于网格的更新规则更具样本效率和抗损伤能力的自组织。这些结果支持了以下假设：对于需要在扩展的空间和时间尺度上进行分布式协调的任务，交互拓扑的选择和动态路由信息的能力将影响NCA学习的鲁棒性和速度。更广泛地说，BraiNCA提供了一种类脑NCA表述，在保留去中心化局部更新原则的同时更好地反映了非局部连接模式，使其成为研究生物现实网络结构和演化认知基底下集体计算的有前景的基底。